信号在测量或传输过程中，会难免遇到噪声或干扰，其中噪声主要指的是自然发生的，干扰是指人为因素所导致的，通常，将噪声和干扰笼统称为噪声，噪声本身也是一种信号，它会叠加在测量信号中，从而对影响人们对原始测量信号的认识。因此必须要对测量信号进行除噪处理。
数据驱动是一种以大量过程数据为基础，采用相应的数据处理和分析方法的技术，它包含众多理论和算法，在应用在信号除噪上，较常见的算法是基于小波分析和基于主元分析。参考文献[51]中对小波除噪的原理和方法做了详细解释。文献[52]中对通过与传统滤波算法的对比，对基于小波阈值除噪的算法做了详细的阐述，证明了小波阈值除噪的优越性，并提出了小波阈值除噪的阈值规则，其研究结果表明采用基于小波阈值除噪方法对信号噪声进行处理，除了可以将噪声有效滤除，还可以最大程度的保障有效信号的不流失。文献[53]中提出二次小波除噪的方法，通过对小波分解后得到的高频和低频信号，分别进行小波除噪，该方法应用在故障信息的预处理中，其研究成果表明该方法可以有效对信号噪声进行滤除。文献[54]中提出了先用小波进行除噪，再用经验模式进行分解。以达到自适应除噪的目的。由于经验模式对噪声非常敏感，如果噪声过多的话会产生虚假信息，异常需要先用小波来进行降噪，但该文献没有说明降噪的原理。文献[55]第四章对小波除噪，从原理上分成三大类，并逐一深入讨论。这三大类分别是基于小波变换模极大值原理小波除噪、通过计算含噪信号作小波变换后的相邻尺度小波系数的相关性的小波除噪、基于阈值小波除噪算法。
综上所述，小波分析在信号除噪上有着独特的优势，特别在故障信息的预处理过程中，经常使用到基于小波阈值除噪的原理。因为该方法不但可以在去除噪声的同时，最大程度的保障有用数据或信息的不流失，因此本章节主要对小波阈值除噪的原理进行研究，通过对比小波阈值除噪的多种算法，选取一个适合于本文后期进行数据故障诊断的算法，同时借鉴文献[51]的方法，将传统小波阈值除噪算法进行改进，该算法将含噪信号进行多尺度转换，在每个尺度上分别进行小波阈值除噪，最后进行小波重构，以此来去除噪声同时最大限度的保留原始信号的有效性。
《来源于科技文献，由本人整理，以技术会有，广交天下朋友》
